Mallitusta varten hankittiin uusin, koko inventointijakson kattava VMI12-aineisto, joka oli vuosilta 2014–2018. Hirvikanta-arvioina samoille vuosille käytettiin Luken vuonna 2021 julkaisemia tietoja. Hirvikanta ja hirvituhotiedot samoin kuin metsiä ja muuta maankäyttöä koskevat tiedot yhdistettiin Nikula ym. 2021 -mallitustyössä käytettyyn aineistoon. SORKKA-hankkeen mallitustyössä vyöhykejakoa muutettiin hieman siten, että Etelä-Suomen alue tuli kattamaan koko ns. Vuokkovyöhykkeen (Kuva 1). Käytännössä Etelä-Suomeen sisällytettiin lounaisimmat hirvitalousalueet tai niiden yhdistelmät länsirannikolle saakka. Aluejaon muutos katsottiin perustelluksi siksi, että se vastaa paremmin paitsi luonnonmaantieteellistä aluejakoa myös pienten hirvieläinten (valkohäntäpeura ja metsäkauris) tiheimmän kannan aluetta. Nikula ym. (2021) -malleissa ennusteiden luottamusvälit olivat myös suurimmat Etelä-Suomen vyöhykkeellä, ja vyöhykejaon yksi tarkoitus oli myös tarkentaa malleja Etelä-Suomeen.
Hirvitalousaluekohtaiset taimikkotuhoennusteet -laskelmia hirvikannanhoidon päätöksenteon tueksi
Laskelmien tausta ja käyttötarkoitus
Hirvikannan hallinta tapahtuu metsästystä säätelemällä. Suomessa tähän liittyvää suunnittelua tehdään ns. hirvitalousalueilla (HTA), joille kolmen vuoden välein määritellään alueellisten riistaneuvostojen (ARN) toimesta hirvikantatavoitteet. Metsästyksen ohjauksella pyritään saavuttamaan nämä tasot. Alueellisten hirvikantojen määrittelyssä käytetään hyväksi Luonnonvarakeskuksen kannanarviomallia. Hirvikannan koko arvioidaan bayesilaiseen tilastotieteeseen perustuvan populaatiomallin avulla ottaen huomioon vuotuinen saalis ja vasatuotto sekä hirvikolareista ja suurpedoista johtuva poistuma.
Hirvien aiheuttamia metsävahinkoja on käsitelty ARN-kokouksissa lähinnä yksityisille maanomistajille korvattujen metsävahinkojen tilastoinnin ja niiden sijaintien kautta. Yksityisille maanomistajille korvatut vahingot eivät kuitenkaan anna kattavaa kuvaa hirvieläinvanhingoista, koska korvausta voidaan maksaa vain yksityisille maanomistajille, yksityisten maanomistajien pääosin omistamille yhteismetsille tai heidän perustamille yhtiöille tai yhtymille, joiden pääasiallisena tarkoituksena on maatilatalouden harjoittaminen. Metsänomistajien tietoisuus taimikkotuhoista metsissään tai mahdollisuudesta hakea korvauksia johtaa siihen, että kaikki maanomistajat eivät myöskään hae korvausta vahingoista. Korvattujen vahinkojen määrä oli esimerkiksi VMI12:n mittauksiin verrattuna vuosina 2014-2018 keskimäärin 2,0 % kaikista laatua alentavista tuhoista (vaihteluväli 0,3-4,9 %). Vakavista ja täydellisistä tuhoista korvattu pinta ala puolestaan kattoi keskimäärin 18,6 % (vaihteluväli 2,4-26,4 %) (Matala ym. 2021). Koska korvatut vahingot edustavat vain osaa kaikista hirvivahingoista, ne eivät myöskään anna oikeaa hirvikantaan suhtautuvaa kuvaa vaikutuksista. Valtakunnan metsien inventoinnista (VMI) saadaan maanomistajasta riippumaton ja kattava kuva hirvivahingoista, mutta VMI:n vahinkotietoja ei toistaiseksi ole ollut saatavissa hirvitalousalueittain hirvikantaan suhteutettuna.
Jo pitkään on ollut nähtävillä, että alueellinen hirvieläinpäätöksenteko tarvitsee uusia tietopohjaisia menetelmiä, joilla alueellista metsien hirvieläintuhoriskiä voidaan ennakoida suhteessa hirvieläinkantaan. Tiedon avulla voidaan periaatteessa mitoittaa hirvieläinten kantatavoitteet niin, että myös tuhoriski suhteutetaan halutulle tasolle. Menetelmän tulisi olla myös sellainen, että se ottaa alueellisesti huomioon taimikoiden ja muiden metsien määrän ja muut elinympäristön rakennepiirteet. Hirvieläinkannan aiheuttaman tuhoriskin oikea alueellinen mitoittaminen hirvieläinkantaa säätelemällä mahdollistaisi myös metsänhoitokeinojen mielekkään käytön riskien edelleen vähentämiseksi paikallisella tasolla.
Tässä kuvatut laskelmat alueellisen hirvikannan hallinnan päätöksenteon tueksi tuotettiin osana Tapio oy:n koordinoimaan jaa maa- ja metsätalousministeriön rahoittamaa Hiilestä kiinni -rahoitusohjelman SORKKA-hanketta (https://tapio.fi/projektit/sorkkaelainten-vaikutus-metsien-terveyteen-ja-kasvukykyyn-ilmastotavoitteiden-kannalta/). Laskentatyökalun pohjana oli Luonnonvarakeskuksessa kehitetty hirvituhojen pinta-alaa hirvikannan ja metsänrakenteen funktiona ennustava malli (Nikula ym. 2021, http://urn.fi/URN:NBN:fi-fe2020110589356). Tavoitteena oli kehittää mallia edelleen siten, että sitä voidaan soveltaa alueellisessa hirvikannan päätöksenteossa hirvitalousaluetasolla. Tavoitteena oli edelleen tehdä hirvitalousalueittaiset laskelmat, joissa nykyisellä metsärakenteella ennustetaan taimikkotuhopinta-alaa eritasoisilla hirvikannoilla. Mallia oli tarkoitus kehittää edelleen niin, että laskelmat voidaan toistaa helposti VMI- ja hirvikanta-aineistojen päivittyessä.
Laskelmia varten tehdyn mallitustyön lähtökohdat
SORKKA-hankkeessa tehdyn mallitustyön lähtökohtana oli Nikulan ym. (2021) julkaisema malli, jossa hirvituhojen määrää ennustettiin hirvikannan ja alueellisten metsärakenteiden avulla. Nikulan ym. (2021) kehittämässä mallissa hirvituhojen määrä laskettiin VMI:n kenttäkoealojen ja niissä mitattujen tuhojen määrän perusteella. VMI-aineistot kattoivat kaksi VMI:n mittauskierrosta, VMI10 vuosina 2004–2008 ja VMI11 vuosina 2009–2013. VMI-otanta on ns. systemaattinen ryväsotanta, jossa rypäät sijaitsevat Etelä-Suomessa 6 km ja Pohjois-Suomessa 10 km välein. Jokaisessa rypäässä oli 12–14 koealaa VMI:sta ja alueesta riippuen. VMI-otannan perusteella metsiä kuvaavat tunnukset voidaan laskea luotettavasti tunnuksesta riippuen n. 500 000 ha alueelle.
Maastossa koealan metsä määritellään kasvupaikkatyypin, kasvavan puuston ja metsänhoidollisesti suositeltujen toimenpiteiden perusteella. Tuhot kirjataan metsikkötasolla ja niistä kirjataan pääasiallinen tuhonaiheuttaja, tuhon ilmiasu, tuhon vakavuus (lievä, todettava, vakava ja täydellinen) ja tuhon syntyajankohta. Nikula ym. (2020) laskivat hirvituhopinta-alan mallitusta varten vain tuhon vakavuusluokista todettava, vakava ja täydellinen, jotka tarkoittavat sitä, että metsikön metsänhoidollinen laatu oli laskenut syönnin vuoksi. Tuhon piti lisäksi olla jatkuva, eli inventoinnin aikaan koealan puissa piti olla tuoretta syöntiä. Jälkimmäinen ehto otettiin mukaan, jotta syönnin ajankohta vastaisi hirvikannan arviossa käytettyjä vuosia.
Näiden ehtojen täyttyessä laskettiin tuhojen pinta-ala hirvitalousalueittain. Koska etenkin Etelä-Suomessa hirvitalousalueet ovat pienempiä kuin 0,5 milj. ha, joitakin alueita jouduttiin yhdistämään, jotta VMI-estimaattien kannalta luotettava pinta-ala saavutettaisiin. Yhteensä mallituksessa käytettiin 41 hirvitalousaluetta tai niiden yhdistelmää, kun kaksi pohjoisinta aluetta (Enontekiö ja Utsjoki) jätettiin pois. Hirvikanta laskettiin Luken hirvikannan arviomallilla jokaiselle hirvitalousalueelle samoille vuosille kuin VMI:n inventointivuodetkin olivat. Hirvitalousalueet ryhmiteltiin vielä neljään vyöhykkeeseen, eli Etelä-, Länsi-, Itä- ja Pohjois-Suomeen. Vyöhykejako tehtiin, koska metsärakenteet, metsien tuottokyky, ihmistoiminnan määrä ja muut tekijät todennäköisesti poikkeavat alueiden välillä.
Mallitusmenetelmänä Nikula ym. (2020) käyttivät lineaarisia sekamalleja. Selitettävä muuttuja oli tuoretta syöntiä sisältäneiden, laatua alentaneiden hirvituhojen määrä hirvitalousalueella, km2. Selittävinä tekijöinä käytettiin hirvikantaa, kehitysluokittaisia pinta-aloja puulajeittain, maapinta-alaa, ja johdettuja tunnuksia, esim. taimikoita/hirvi. Sekamalleilla voidaan ottaa huomioon ns. satunnaistekijöitä, joita Nikula ym. (2020) -mallissa edustivat vyöhykkeet. Satunnaistekijän ajatus on, että vyöhykkeeseen liittyvät ominaisuudet, jotka vaikuttavat tuhojen määrään, voivat vaihdella vapaasti vyöhykkeestä toiseen. Kaikkia vyöhykkeiden välillä eroavia tekijöitä ei välttämättä tunneta, jolloin niitä ei voi ottaa mukaan malleihin. Lisäämällä vyöhyke satunnaistekijäksi mallit ottavat kuitenkin paremmin huomioon alueellisen vaihtelun verrattuna siihen, että mallit olisi tehty vain hirvitalousalueiden perusteella.
Parhaiten tuhopinta-alaa Nikula ym. (2021) -mallissa selittivät hirvien määrä suhteessa mänty- ja lehtipuuvaltaisten taimikoiden määrään, vyöhyke, metsäpinta-ala, taimikoiden osuus ja varttuneiden metsien määrä. Useimmat muuttujat selittivät tuhojen pinta-alaa parhaiten silloin, kun ne sisällytettiin malleihin ns. yhdysmuuttujina, eli niissä otettiin huomioon vyöhykkeen vaikutus. Parhaiden mallien ns. pseudo-R2, eli selitysaste oli 69,5–71,9 %.
Aineiston päivitys tuoreimpaan VMI-aineistoon
Kuva 1. Mallitustyössä käytetyt laskentayksiköt on merkitty punaisilla numeroilla. Joitakin hirvitalousalueita jouduttiin yhdistämään, jotta laskentayksikön koko ylittäisi tilastollisesti luotettavan VMI-otannan. Laskentayksiköihin sisältyvät hirvitalousalueet on merkitty niiden lyhenteillä. Mallituksessa käytetty vyöhykejako on erotettu eri väreillä. Vyöhykkeiden oletettiin eroavan luonnonmaantieteellisiltä ja muilta ominaisuuksiltaan siksi paljon, että mallituksessa niitä kohdeltiin ns. satunnaismuuttujina. Käytännössä se tarkoittaa sitä, että mallit voitiin sovittaa kullekin suuralueelle erikseen satunnaisosan avulla.
Mallitustyön lähtökohdaksi otettiin kuusi Nikula ym. (2021) parasta mallia, joiden lisäksi testattiin myös useita muita muuttujakombinaatioita. Uusien muuttujakombinaatioiden pääasiallisena tarkoituksena oli testata ihmistoiminnan intensiteetistä kertovia muuttujia (peltopinta-alat, asutuspinta-alat, metsä-ihmistoiminta –suhdemuuttujat jne). Keskeinen tavoite parhaan mallikombinaation hakemisessa oli myös, että se sisältää hirvitiheyden, joko omana muuttujanaan tai laskettuna jotakin metsävaramuuttujaa kohden. Tämä oli edellytys sille, että ennusteet voitaisiin myöhemmin laskea erilaisia hirvikantoja kohden kullekin HTA:lle.
Parhaiten tuhopinta-alaa selitti uuden mallin muuttujien mukaan hirvitalousalueen mänty- ja lehtipuutaimikoiden määrä hirveä kohden laskettuna, vyöhyke, metsäpinta-ala, taimikoiden osuus metsämaasta, varttuneiden metsien osuus sekä edellä mainituiden yhdysvaikutukset vyöhykkeen kanssa. Yleisesti ottaen uusien mallien selitysaste pysyi samana kuin Nikula ym. (2021) -työssä, mutta muuttujien estimaattien hajonnat pienenivät jonkin verran. Etelä-Suomessa ihmistoimintaa kuvaavat muuttujat eivät parantaneet malleja tai olleet ylipäätään merkitseviä, mutta mallien hajonnat pienenivät silti. Mallin selitysaste, ns. pseudo-R2, oli 0,69 sekä kiinteä osalle että satunnaisosa mukaan lukien.
Kullekin HTA:lle laskettiin tämän jälkeen hypoteettinen hirvikanta välille 1–6 hirveä 1 000 ha-1 maapinta-alaa kohden 0,1 hirven välein. Mänty- ja lehtipuutaimikoiden määrä hirveä kohden laskettiin sen jälkeen kullekin hirvikannalle. Mallin antamat ennusteet ja niiden 95 % luottamusvälit laskettiin samoille arvoille.
Ennustekuvaajat, hirvituhotiedot ja niiden tulkinta
Ennustemallilla tehtyjen kuvaajien ja mitattujen hirvituhotietojen tarkoituksena on tuoda hirvituhoihin liittyvää informaatiota hirvipäätöksentekoon. Koska mallit ja kuvaajat sekä ennusteet on tuotettu VMI:ssa mitattujen hirvituhotietojen ja Luken tekemän hirvikanta-arvion perusteella, ne perustuvat tällä hetkellä parhaaseen saatavilla olevaan aineistoon. Mallien mittakaava, hirvitalousalue, vastaa myös hirvipäätöksenteossa käytettyä yksikköä.
Mallin ennusteita tulkittaessa on otettava huomioon, että mallit ovat aina yleistyksiä, eivätkä välttämättä ota kaikkia ilmiöön vaikuttavia tekijöitä huomioon. Tässä mallitustyössä käytetyillä muuttujilla voidaan kuvata tilastollisesti luotettavasti esimerkiksi erilaisten metsien määrää hirvitalousalueilla. On kuitenkin todennäköistä, etteivät ne kuvaa kaikkia hirvien resurssinvalintaan ja osaltaan hirvituhoihin vaikuttavia tekijöitä. Joidenkin malleissa käytettyjen muuttujien merkitys voi olla merkittävämpi toisilla alueilla kuin toisilla. Tässä työssä kehitetyn mallin selitysaste oli kuitenkin ekologiseksi malliksi korkea, pseudo-R2 n. 0,69, joten mallilla lasketut ennusteet ovat hyvinkin suuntaa antavia hirvikannan ja tuhojen välisestä riippuvuudesta.
Mallin antamia tuhoennusteita tulkittaessa on otettava huomioon, että malli on sovitettu keskimääräiselle tuhomäärälle kussakin vyöhykkeessä. Malliteknisesti se tarkoittaa sitä, että kunkin mallissa mukana olevan muuttujan keskimääräiset arvot määrittävät mallituloksen. Kaikkien hirvitalousalueen muuttujien arvot poikkeavat vyöhykkeen keskimääräisestä enemmän tai vähemmän, minkä vuoksi malli antaa joillekin hirvitalousalueille yliarvioita ja joillekin taas aliarvioita tuhojen ennustetusta määrästä. Malliennusteet esitetään mallin 95 % hajonnan puitteissa, jotka ovat monessa tapauksessa melko suuria. Kuvassa 32 luottamusvälin ylä- ja alarajat on merkitty harmaalla katkoviivalla.
Malliennusteeseen lisättiin tieto myös VMI12 mukaisista tuhoista, koska haluttiin saada vertailukohta ennusteelle. Kuvan 32 pystyakselilta luettava tuhojen pinta-ala on merkitty sinisellä viivalla. Viivan pituus kuvaa VMI12-mittausjakson aikana ollutta hirvitiheyden vaihtelua, jonka voi lukea vaaka-akselilta. Tuhomäärää kuvaavan viivan pituus vaaka-akselilla mitattuna riippuu siis siitä, kuinka paljon hirvitiheys on vaihdellut vuosien 2014–2018 aikana. Jakson aikana olleet hirvitiheyden arvot on järjestetty pienimmästä tiheydestä suurimpaan, ja viivan pituudesta voi päätellä vain hirvikannan vaihteluvälin tarkastelujaksolla. Hirvikannassa on voinut tapahtua muutosta suuntaan tai toiseen, tai sitten tiheys on vaihdellut ääripäiden välillä ilman trendiä. Hirvitiheyksien vaihtelu ja kehitys löytyvät Luken tuottamista vuosittaisista kanta-arvioista, joten jakson aikana tapahtunutta muutosta pitää tarkastella niiden avulla.
Kuva 2. Mallin antama ennuste hirvituhojen määrästä hirvitiheyttä 1 000 ha maapinta-alaa kohden Lappi 7 hirvitalousalueella. Hirvitiheys on esitetty vaaka-akselilla. Pystyakselilla hirvitalousalueen hirvituhojen pinta-ala hehtaareina. Sininen käyrä kuvaa mallin ennustetta hirvituhoista suhteessa hirvikantaan, johon oranssilla on korostettu ennuste vuosien 2018-2022 hirvikannan mukaan. Violetti vaakaviiva kuvaa VMI12(2014-2018):ssa mitatut hirvituhot suhteessa hirvikannan vaihteluun 2014-2018. Vihreät ja mustat katkoviivat kuvaavat ennusteen 95 % luottamusväliä.
Kuvan 2 ennusteeseen on merkitty oranssilla myös hirvitiheyden vaihteluväli vuosina 2018–2022, joka on viimeisin saatavilla oleva tieto, ja joka luetaan vaaka-akselilta. Jakson aikana olleet hirvitiheyden arvot on järjestetty pienimmästä tiheydestä suurimpaan, ja viivan pituudesta voi päätellä vain hirvikannan vaihteluvälin tarkastelujaksolla. Jakson hirvitiheyden tulkinta on siis sama kuin sinisellä merkitty vuosien 2014–2018 hirvikannan tulkintakin.
Ennusteen lisäksi tuotettiin hirvitalousalueittaiset kuvat myös VMI12:ssa mitatuista hirvituhoista taimikon pääpuulajin mukaan jaoteltuna (Kuva 3). Kuva kertoo, kuinka suuri osuus tuhopinta-alasta on ollut taimikoissa, joissa puulaji on ollut pääpuulajina. Toisena tietona on kuva tuhotaimikoiden osuudesta kunkin puulajin taimikoista (Kuva 4).
Kuva 3. VMI12:ssa mitatut hirvituhot Lappi 7 hirvitalousalueella taimikon pääpuulajin mukaan jaoteltuna. Valtaosa tuhoista on tapahtunut mäntytaimikoissa.
Kuva 4. Hirvien vahingoittamien taimikoiden osuus kunkin puulajin taimikoista Lappi 7 hirvitalousalueella VMI12 mukaan.
Ennustemallilla tuotettuja kuvaajia tulkittaessa on otettava huomioon useita seikkoja. Ennustemallin mukaan hirvituhojen määrä kasvaa hirvikannan noustessa, mutta tuhojen määrä ei kasva kaikilla alueilla samassa suhteessa. Esimerkiksi Lappi 7 alueella (Kuva 2) tuhojen määrä kasvaa ennusteen mukaan n. 4 000 ha:sta n. 6 000 ha:iin, kun kanta kasvaa 1,5 hirvestä 1 000 ha-1 2,2 hirveen 1 000 ha-1. VMI12:ssa mitattu tuhotaimikoiden pinta-ala oli 5 600 ha, joka vastaa n. 8,1 % alueen taimikoiden pinta-alasta (69135 ha). Mallin mukaan tuhotaimikoiden osuus taimikkopinta-alasta kasvaisi 5,8 %:sta 8,7 %:iin hirvikannan kasvaessa 1,5 hirvestä 2,2 hirveen 1 000 ha-1. Vastaava tiheyden muutos Lappi 5:n alueella (Kuva 5) johtaa ennusteen mukaan tuhopinta-alan kasvuun 13 700 ha:sta 19 100 ha:iin. Kun VMI12:ssa mitattu tuhopinta-ala oli 20 700 ha, joka vastasi 20,2 % taimikkopinta-alasta (102 475 ha), kasvoi tuhopinta-alan osuus siis 13,4 %:sta 18,6 %:iin. Sama hirvikannan tiheys eri alueilla voi johtaa siis erilaiseen tuhopinta-alaan. Tuhotaimikoiden samanlainen suhteellinen muutos eri hirvitalousalueilla saattaa myös merkitä suurta eroa tuhotaimikoiden pinta-alojen välillä. Tämä johtuu mm. erilaisesta taimikoiden ja muiden hirven kannalta tärkeiden resurssien määrästä.
Kuva 5. Mallin antama ennuste hirvituhojen määrästä hirvitiheyttä 1 000 ha maapinta-alaa kohden Lappi 5 hirvitalousalueella. Hirvitiheys on esitetty vaaka-akselilla. Pystyakselilla hirvitalousalueen hirvituhojen pinta-ala hehtaareina. Sininen käyrä kuvaa mallin ennustetta hirvituhoista suhteessa hirvikantaan, johon oranssilla on korostettu ennuste vuosien 2018-2022 hirvikannan mukaan. Violetti vaakaviiva kuvaa VMI12(2014-2018):ssa mitatut hirvituhot suhteessa hirvikannan vaihteluun 2014-2018. Vihreät ja mustat katkoviivat kuvaavat ennusteen 95 % luottamusväliä.
Kuvaajissa on esitetty myös tuhotaimikoiden osuus pääpuulajin mukaan jaoteltuina sekä tuhotaimikoiden osuus kunkin puulajin taimikoista. Yhtenä päätöksenteon tavoitetasona voidaan käyttää tuhotaimikoiden maksimiosuutta taimikoista ja sen yhteydessä puulajeittaista tuhojen osuutta. Ekologisin perustein tuhotaimikoiden maksimimäärää tai niiden osuutta ei voida määritellä, vaan se on tehtävä neuvottelemalla eri osapuolten kesken. Tavoitetasot on myös määriteltävä hirvitalousalueittain, koska mm. eri alueiden ravintomäärä hirveä kohden (kantokyky) vaihtelee, ravintokohteiden jakauma alueella voi vaihdella jne.
Ennustemallia voidaan periaatteessa päivittää aina, kun uusi VMI-aineisto on saatavilla. Käytännössä tämä vaatii koko VMI-mittauskierron toteutumisen (5 v), jotta koealojen määrä hirvitalousaluetta tai niiden yhdistelmää kohden olisi riittävä. Aineiston valmistelu vaatii mallin kannalta tarpeellisten VMI-tunnusten liittämisen samoilta vuosilta oleviin hirvikantatietoihin. Koska Luonnonvarakeskus tuottaa ennusteet hirvimääristä vuosittain, ne on ensin laskettava VMI-mittausjakson vuosien keskiarvoiksi. Käytännössä suurin ponnistus uusien VMI-aineistojen valmistelemisessa mallitusaineistoksi on eri muuttujien järjestäminen ja muuttujien yksiköiden laskenta samalla tavalla kuin ne ovat aikaisemmissa aineistoissa.
Periaatteessa VMI-aineistojen lisääntyessä myös ennustemallin luotettavuus paranee, koska aineiston ns. tilastollinen voima kasvaa. Tilastollisella voimalla tarkoitetaan todennäköisyyttä havaita tilastollisesti merkitsevä ero tai riippuvuus muuttujien välillä. Toisaalta on myös mahdollista, ettei lisäaineistollakaan saada malleja tarkennettua, mikäli lisäaineisto ei sisällä uutta informaatiota, tai mallitus on jo tehty riittävällä aineistolla. Mallitus kannattaa siksi tehdä uudestaan ja kokeilla eri muuttujavaihtoehtoja aina, kun aineistot päivittyvät. On kuitenkin todennäköistä, ettei parhaan mallin muuttujakombinaatio muutu paljoa, jos ollenkaan, uudella aineistolla. Siksi mallien testaaminen kannattaa aloittaa jo kokeilluilla muuttujilla. Nykyinen vyöhykejako tuotti mallin ennusteille hieman pienemmät hajonnat erityisesti Etelä-Suomessa, joten mallitus kannattaa ainakin aloittaa käytetyllä vyöhykejaolla.
